GrowthBook
Feature flags, experimentación y analítica de producto de código abierto, que ejecutas contra tu propio almacén de datos
GrowthBook es una plataforma de código abierto para feature flags, tests A/B y analítica de producto que ejecutas contra tu propio almacén de datos en lugar de contra un proveedor de analítica alojado. Tiene 8,000 estrellas en GitHub a julio de 2026, es open-core —la mayor parte bajo la licencia permisiva MIT, con algunos directorios empresariales bajo una licencia comercial aparte— y se conecta a almacenes de datos como BigQuery, Snowflake y Databricks, de modo que los experimentos se miden sobre datos que ya son tuyos. Para un fundador es la herramienta que hace que "lo probamos" signifique algo riguroso: despliegues graduales de funciones detrás de flags, y experimentos puntuados por un motor estadístico de verdad. Lo que no hace es generar el tráfico que necesitas antes de que nada de eso produzca un resultado en el que valga la pena confiar.
Qué es GrowthBook
GrowthBook (github.com/growthbook/growthbook) es una plataforma de código abierto que agrupa tres cosas que los fundadores normalmente compran por separado: feature flags, tests A/B y analítica de producto. La ejecutas tú mismo con un único `docker compose up`, o usas su nube alojada, y es open-core —la mayor parte del código está bajo la licencia permisiva MIT, con unos pocos directorios empresariales regidos por una licencia comercial aparte. Lleva en desarrollo activo desde 2021.
La decisión de diseño que la distingue es ser "nativa del almacén de datos". En lugar de volver a recopilar tus datos de eventos en otro silo de proveedor más, GrowthBook consulta los datos que ya conservas —conectando con BigQuery, Snowflake y Databricks, entre una lista más larga de fuentes soportadas— y define las métricas en SQL. Los experimentos se puntúan luego con un motor estadístico genuino que admite tanto pruebas bayesianas como secuenciales y ejecuta comprobaciones de sample-ratio-mismatch, que es justo la parte que la mayoría de los montajes A/B caseros hacen mal en silencio.
Los tres trabajos que hace
Ayuda separar lo que GrowthBook realmente te da, porque las tres capacidades se solapan pero resuelven problemas distintos:
| Capacidad | Para qué sirve | Cuándo la usa un fundador |
|---|---|---|
| Feature flags | Activar funciones para algunos usuarios sin un despliegue | Despliegues graduales, interruptores de emergencia y acceso beta —útil desde el primer día |
| Experimentación (tests A/B) | Medir si un cambio realmente movió una métrica | Cuando ya tienes tráfico suficiente para que un resultado sea fiable |
| Analítica de producto | Construir métricas y dashboards sobre los datos de tu almacén | Cuando quieres que cada número se defina una vez, en SQL, no por herramienta |
Dónde encaja en el stack de crecimiento de un fundador
Las feature flags se ganan su lugar casi de inmediato —lanzar detrás de un flag deja que un fundador en solitario publique con seguridad y revierta al instante. La experimentación es diferente: solo compensa cuando tienes tráfico suficiente para que la diferencia entre dos versiones sea señal y no ruido. Ejecuta un test A/B en una página que recibe cuarenta visitas a la semana y "aprenderás" cosas que son pura casualidad.
- Decide: si un cambio que publicaste realmente mejoró una métrica, medido con honestidad sobre tus propios datos.
- Decide: dejarte desplegar funciones de forma gradual y desactivarlas sin un despliegue.
- No decide: enviarte el tráfico que un experimento necesita antes de que sus resultados signifiquen algo.
- No decide: qué probar —eso viene de saber dónde pierde gente tu embudo.
Nosotros hemos vivido el umbral de tráfico desde ambos lados. Al construir AgentCeres, la limitación honesta en nuestros propios experimentos fue el volumen: con tráfico temprano, la mayoría de las "victorias" no llegaban a ser significativas, así que el trabajo de mayor impacto fue leer el embudo de forma cualitativa —instrumentar nuestro paso de inicio de sesión mostró casi ningún abandono ahí, lo que redirigió el esfuerzo al onboarding— en lugar de hacerle un test A/B formal. La secuencia es la lección útil: una herramienta como GrowthBook hace que los experimentos sean rigurosos, pero solo recompensa después de que hayas hecho el trabajo de convertir visitantes en registros y de conseguir suficientes. AgentCeres —el Director de Crecimiento con IA en agentceres.com— es un equipo de marketing de IA gestionado cuyos especialistas redactan el SEO, el contenido social y el contacto que traen ese tráfico, con una persona que aprueba todo lo que se publica.
FAQ
- ¿Es gratis GrowthBook?
- Es open-core. La mayor parte del código base está bajo la licencia permisiva MIT, así que puedes autoalojar el núcleo —feature flags, experimentos y analítica— comercialmente sin coste; lo ejecutas en tu propia infraestructura, así que tus costes son los servidores y el almacén de datos que ya pagas. Algunas funciones empresariales viven en directorios bajo una licencia comercial aparte, y hay una GrowthBook Cloud alojada con un nivel gratuito y planes de pago. Consulta el archivo LICENSE del repositorio y growthbook.io para el reparto actual.
- ¿En qué se diferencia GrowthBook de PostHog o de Optimizely?
- Se solapan pero lo abordan desde ángulos distintos. Optimizely es una suite de experimentación comercial madura; PostHog es una plataforma de analítica de producto todo en uno que también hace flags y experimentos y almacena tus eventos ella misma. La apuesta distintiva de GrowthBook es ser nativa del almacén de datos: consulta los datos que ya conservas en lugar de volver a recopilarlos, y define las métricas en SQL, lo que atrae a los equipos que quieren una única fuente de verdad para sus números. Cuál encaja depende de si ya usas un almacén de datos y de cuánto valoras ser dueño de la capa de datos.
- ¿Necesito GrowthBook si todavía no he lanzado?
- Probablemente todavía no para experimentación, pero la mitad de feature flags puede ganarse su lugar igualmente. Los tests A/B necesitan tráfico para producir resultados fiables, y antes de lanzar no lo tienes —un test medirá sobre todo ruido. Las feature flags, en cambio, dejan que incluso un fundador en solitario publique detrás de un interruptor y revierta al instante, lo cual es útil desde el primer despliegue. Vale la pena adoptar la experimentación rigurosa una vez que tengas tráfico real y constante.
- ¿Una herramienta de tests A/B sustituye saber qué probar?
- No —y esta es la trampa habitual. Una herramienta mide si un cambio funcionó; no te dice qué cambio vale la pena hacer. Eso viene de entender dónde pierde gente realmente tu embudo —qué paso la pierde y por qué— normalmente a partir de la analítica y de las conversaciones con clientes, no de la propia herramienta de tests. Apunta un experimento riguroso a una idea al azar y obtendrás una respuesta rigurosa a la pregunta equivocada.
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.