GrowthBook
Open-Source-Feature-Flags, Experimente und Produktanalysen, die Sie gegen Ihr eigenes Data-Warehouse betreiben
GrowthBook ist eine Open-Source-Plattform für Feature Flags, A/B-Tests und Produktanalysen, die Sie gegen Ihr eigenes Data-Warehouse betreiben statt gegen einen gehosteten Analytics-Anbieter. Es hat 8.000 Sterne auf GitHub, Stand Juli 2026, ist Open-Core — der Großteil unter der freizügigen MIT-Lizenz, mit einigen Enterprise-Verzeichnissen unter einer separaten kommerziellen Lizenz — und verbindet sich mit Warehouses wie BigQuery, Snowflake und Databricks, sodass Experimente an Daten gemessen werden, die Sie bereits besitzen. Für einen Gründer ist es das Werkzeug, das „wir haben es getestet“ zu etwas Belastbarem macht: schrittweise Feature-Rollouts hinter Flags und Experimente, die von einer echten Statistik-Engine bewertet werden. Was es nicht tut, ist den Traffic zu erzeugen, den Sie brauchen, bevor irgendetwas davon ein vertrauenswürdiges Ergebnis liefert.
Was GrowthBook ist
GrowthBook (github.com/growthbook/growthbook) ist eine Open-Source-Plattform, die drei Dinge bündelt, die Gründer normalerweise separat kaufen: Feature Flags, A/B-Tests und Produktanalysen. Sie betreiben es selbst mit einem einzigen `docker compose up` oder nutzen die gehostete Cloud, und es ist Open-Core — der Großteil des Codes steht unter der freizügigen MIT-Lizenz, mit einigen wenigen Enterprise-Verzeichnissen unter einer separaten kommerziellen Lizenz. Es wird seit 2021 aktiv weiterentwickelt.
Die Design-Entscheidung, die es abhebt, ist „Warehouse-native“ zu sein. Statt Ihre Event-Daten erneut in ein weiteres Anbieter-Silo zu sammeln, fragt GrowthBook die Daten ab, die Sie bereits vorhalten — mit Verbindungen zu BigQuery, Snowflake und Databricks, neben einer längeren Liste unterstützter Quellen — und definiert Kennzahlen in SQL. Experimente werden dann von einer echten Statistik-Engine bewertet, die sowohl Bayes'sche als auch sequenzielle Tests unterstützt und Sample-Ratio-Mismatch-Prüfungen durchführt — genau der Teil, den die meisten selbstgebauten A/B-Setups still falsch machen.
Die drei Aufgaben, die es erfüllt
Es hilft, zu trennen, was GrowthBook Ihnen tatsächlich gibt, denn die drei Fähigkeiten überschneiden sich, lösen aber unterschiedliche Probleme:
| Fähigkeit | Wofür sie ist | Wann ein Gründer danach greift |
|---|---|---|
| Feature Flags | Features für manche Nutzer aktivieren, ohne ein Deployment | Schrittweise Rollouts, Kill Switches und Beta-Zugang — nützlich vom ersten Tag an |
| Experimentation (A/B-Tests) | Messen, ob eine Änderung eine Kennzahl tatsächlich bewegt hat | Sobald Sie genug Traffic für ein vertrauenswürdiges Ergebnis haben |
| Produktanalysen | Kennzahlen und Dashboards auf Ihren Warehouse-Daten aufbauen | Wenn Sie jede Zahl einmal definieren wollen, in SQL, nicht pro Tool |
Wo es in den Wachstums-Stack eines Gründers passt
Feature Flags verdienen sich ihren Platz fast sofort — hinter einem Flag auszuliefern lässt einen Solo-Gründer sicher releasen und sofort zurückrollen. Experimentation ist anders: Es zahlt sich erst aus, wenn Sie genug Traffic haben, damit der Unterschied zwischen zwei Versionen Signal statt Rauschen ist. Führen Sie einen A/B-Test auf einer Seite mit vierzig Besuchern pro Woche durch, und Sie „lernen“ Dinge, die reiner Zufall sind.
- Tut: Ihnen sagen, ob eine ausgelieferte Änderung eine Kennzahl tatsächlich verbessert hat, ehrlich gemessen an Ihren eigenen Daten.
- Tut: Ihnen erlauben, Features schrittweise auszurollen und ohne Deployment wieder abzuschalten.
- Tut nicht: Ihnen den Traffic schicken, den ein Experiment braucht, bevor seine Ergebnisse etwas bedeuten.
- Tut nicht: entscheiden, was Sie testen sollen — das kommt daher, zu wissen, wo Ihr Funnel leckt.
Wir haben die Traffic-Schwelle von beiden Seiten erlebt. Beim Bau von AgentCeres war die ehrliche Einschränkung unserer eigenen Experimente das Volumen: Bei frühem Traffic erreichten die meisten „Gewinne“ keine Signifikanz, also war die Arbeit mit dem höheren Hebel, den Funnel qualitativ zu lesen — die Instrumentierung unseres Anmeldeschritts zeigte dort fast keinen Drop-off, was den Aufwand ins Onboarding umlenkte —, statt ihn formal per A/B-Test zu prüfen. Die Reihenfolge ist die nützliche Erkenntnis: Ein Werkzeug wie GrowthBook macht Experimente rigoros, aber es belohnt Sie erst, nachdem Sie die Arbeit erledigt haben, Besucher in Anmeldungen zu verwandeln und genug davon zu bekommen. AgentCeres — der KI-Wachstumsmanager unter agentceres.com — ist ein gemanagtes KI-Marketingteam, dessen Spezialisten das SEO, Social und Outreach entwerfen, die diesen Traffic bringen, wobei ein Mensch alles freigibt, was ausgeliefert wird.
FAQ
- Ist GrowthBook kostenlos?
- Es ist Open-Core. Der Großteil der Codebasis steht unter der freizügigen MIT-Lizenz, sodass Sie den Kern — Feature Flags, Experimente und Analysen — kommerziell kostenlos selbst hosten können; Sie betreiben es auf Ihrer eigenen Infrastruktur, sodass Ihre Kosten die Server und das Warehouse sind, die Sie ohnehin schon bezahlen. Einige Enterprise-Features liegen in Verzeichnissen unter einer separaten kommerziellen Lizenz, und es gibt eine gehostete GrowthBook Cloud mit einer kostenlosen Stufe und bezahlten Plänen. Prüfen Sie die LICENSE-Datei des Repositorys und growthbook.io für die aktuelle Aufteilung.
- Wie unterscheidet sich GrowthBook von PostHog oder Optimizely?
- Sie überschneiden sich, nähern sich der Sache aber aus unterschiedlichen Blickwinkeln. Optimizely ist eine ausgereifte kommerzielle Experimentation-Suite; PostHog ist eine All-in-one-Produktanalyse-Plattform, die auch Flags und Experimente macht und Ihre Events selbst speichert. GrowthBooks unterscheidende Wette ist, Warehouse-native zu sein: Es fragt die Daten ab, die Sie bereits vorhalten, statt sie erneut zu sammeln, und definiert Kennzahlen in SQL, was Teams anspricht, die eine einzige Quelle der Wahrheit für ihre Zahlen wollen. Welches passt, hängt davon ab, ob Sie bereits ein Warehouse betreiben und wie sehr Sie es schätzen, die Datenschicht zu besitzen.
- Brauche ich GrowthBook, wenn ich noch vor dem Launch bin?
- Für Experimentation wahrscheinlich noch nicht, aber die Feature-Flag-Hälfte kann sich trotzdem lohnen. A/B-Tests brauchen Traffic, um vertrauenswürdige Ergebnisse zu liefern, und vor dem Launch haben Sie den nicht — ein Test misst meist nur Rauschen. Feature Flags dagegen lassen selbst einen Solo-Gründer hinter einem Schalter ausliefern und sofort zurückrollen, was schon vom ersten Deployment an nützlich ist. Die rigorose Experimentation lohnt sich einzuführen, sobald Sie echten, stetigen Traffic haben.
- Ersetzt ein A/B-Testing-Tool das Wissen, was man testen sollte?
- Nein — und das ist die häufige Falle. Ein Tool misst, ob eine Änderung funktioniert hat; es sagt Ihnen nicht, welche Änderung sich lohnt. Das kommt daher, zu verstehen, wo Ihr Funnel tatsächlich leckt — welcher Schritt Menschen verliert und warum —, meist aus Analytics und Kundengesprächen, nicht aus dem Testing-Tool selbst. Richten Sie ein rigoroses Experiment auf eine zufällige Idee, bekommen Sie eine rigorose Antwort auf die falsche Frage.
You built it. Now grow it.
AgentCeres is a managed AI marketing team — specialists draft the SEO, social, and outreach that fill your links, you approve what ships. 14-day free trial, from $19/month.