GrowthBook
Feature flags, experimentação e analytics de produto open-source que você roda contra o seu próprio data warehouse
O GrowthBook é uma plataforma open-source para feature flags, testes A/B e analytics de produto que você roda contra o seu próprio data warehouse, em vez de um fornecedor de analytics hospedado. Tem 8.000 estrelas no GitHub em julho de 2026, é open-core — a maior parte sob a licença permissiva MIT, com alguns diretórios enterprise sob uma licença comercial separada — e se conecta a warehouses como BigQuery, Snowflake e Databricks, de modo que os experimentos são medidos sobre dados que você já possui. Para um fundador, é a ferramenta que faz "nós testamos isso" significar algo rigoroso: lançamentos graduais de funcionalidades atrás de flags, e experimentos pontuados por um motor estatístico de verdade. O que ela não faz é criar o tráfego que você precisa antes que qualquer coisa disso produza um resultado que valha a pena confiar.
O que é o GrowthBook
O GrowthBook (github.com/growthbook/growthbook) é uma plataforma open-source que reúne três coisas que os fundadores geralmente compram separadamente: feature flags, testes A/B e analytics de produto. Você mesmo roda com um único `docker compose up`, ou usa a nuvem hospedada deles, e é open-core — a maior parte do código está sob a licença permissiva MIT, com alguns diretórios enterprise regidos por uma licença comercial separada. Está em desenvolvimento ativo desde 2021.
A escolha de design que o diferencia é ser "warehouse-native". Em vez de recoletar os seus dados de eventos para mais um silo de fornecedor, o GrowthBook consulta os dados que você já mantém — conectando-se a BigQuery, Snowflake e Databricks, entre uma lista mais longa de fontes suportadas — e define métricas em SQL. Os experimentos são então pontuados por um motor estatístico genuíno, que suporta tanto testes bayesianos quanto sequenciais e roda verificações de sample-ratio-mismatch, que é a parte que a maioria das configurações caseiras de teste A/B erra silenciosamente.
Os três trabalhos que ele faz
Ajuda separar o que o GrowthBook realmente entrega, porque as três capacidades se sobrepõem, mas resolvem problemas diferentes:
| Capacidade | Para que serve | Quando um fundador recorre a ela |
|---|---|---|
| Feature flags | Ativar funcionalidades para alguns usuários sem um deploy | Lançamentos graduais, kill switches e acesso beta — útil desde o primeiro dia |
| Experimentação (testes A/B) | Medir se uma mudança realmente moveu uma métrica | Quando você tem tráfego suficiente para um resultado ser confiável |
| Analytics de produto | Construir métricas e dashboards sobre os dados do seu warehouse | Quando você quer cada número definido uma vez, em SQL, e não por ferramenta |
Onde se encaixa na stack de crescimento de um fundador
Feature flags conquistam o seu lugar quase imediatamente — lançar atrás de uma flag deixa um fundador solo publicar com segurança e reverter instantaneamente. Experimentação é diferente: só compensa quando você tem tráfego suficiente para que a diferença entre duas versões seja sinal, e não ruído. Rode um teste A/B em uma página que recebe quarenta visitantes por semana e você vai "aprender" coisas que são puro acaso.
- Decide: dizer se uma mudança que você lançou realmente melhorou uma métrica, medida honestamente sobre os seus próprios dados.
- Decide: deixar você lançar funcionalidades gradualmente e desligá-las sem um deploy.
- Não decide: te enviar o tráfego que um experimento precisa antes que os resultados signifiquem alguma coisa.
- Não decide: o que testar — isso vem de saber onde o seu funil vaza.
Já vimos o limiar de tráfego dos dois lados. Construindo a AgentCeres, a restrição honesta nos nossos próprios experimentos foi volume: com tráfego inicial, a maioria das "vitórias" não alcançava significância, então o trabalho de maior alavancagem foi ler o funil de forma qualitativa — instrumentar a nossa etapa de login mostrou quase nenhuma desistência ali, o que redirecionou o esforço para o onboarding — em vez de testá-la formalmente com A/B. O sequenciamento é o aprendizado útil: uma ferramenta como o GrowthBook torna os experimentos rigorosos, mas só recompensa você depois de ter feito o trabalho de transformar visitantes em cadastros e conseguir o suficiente deles. A AgentCeres — o Diretor de Crescimento com IA em agentceres.com — é um time de marketing com IA gerenciado cujos especialistas redigem o SEO, as redes sociais e a prospecção que trazem esse tráfego, com um humano aprovando tudo o que é publicado.
FAQ
- O GrowthBook é gratuito?
- É open-core. A maior parte da base de código está sob a licença permissiva MIT, então você pode auto-hospedar o núcleo — feature flags, experimentos e analytics — comercialmente sem custo; você roda na sua própria infraestrutura, então os seus custos são os servidores e o warehouse que você já paga. Algumas funcionalidades enterprise vivem em diretórios sob uma licença comercial separada, e existe um GrowthBook Cloud hospedado, com um nível gratuito e planos pagos. Confira o arquivo LICENSE do repositório e o growthbook.io para a divisão atual.
- Qual a diferença entre o GrowthBook e o PostHog ou o Optimizely?
- Eles se sobrepõem, mas partem de ângulos diferentes. O Optimizely é uma suíte de experimentação comercial madura; o PostHog é uma plataforma de analytics de produto tudo-em-um que também faz flags e experimentos e armazena os seus eventos por conta própria. A aposta que distingue o GrowthBook é ser warehouse-native: ele consulta os dados que você já mantém em vez de recoletá-los, e define métricas em SQL, o que atrai times que querem uma única fonte de verdade para os seus números. Qual deles se encaixa depende de você já rodar um warehouse e de quanto você valoriza ser dono da camada de dados.
- Eu preciso do GrowthBook se ainda estou pré-lançamento?
- Provavelmente ainda não para experimentação, mas a metade de feature flags já pode conquistar o seu lugar. Testes A/B precisam de tráfego para produzir resultados confiáveis, e pré-lançamento você não tem isso — um teste vai medir principalmente ruído. Feature flags, por outro lado, deixam até um fundador solo lançar atrás de um interruptor e reverter instantaneamente, o que é útil desde o primeiro deploy. Vale a pena adotar a experimentação rigorosa assim que você tiver tráfego real e constante.
- Uma ferramenta de teste A/B substitui saber o que testar?
- Não — e essa é a armadilha comum. Uma ferramenta mede se uma mudança funcionou; ela não diz qual mudança vale a pena fazer. Isso vem de entender onde o seu funil realmente vaza — qual etapa perde pessoas e por quê — geralmente de analytics e conversas com clientes, não da própria ferramenta de teste. Aponte um experimento rigoroso para uma ideia aleatória e você terá uma resposta rigorosa para a pergunta errada.
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.