GrowthBook

Kurzfazit

GrowthBook ist die seriöseste Open-Source-Alternative zu Optimizely und VWO, und für viele Teams die bessere Wahl. Das Killer-Argument: Deine Daten bleiben in deinem eigenen Data Warehouse. GrowthBook fragt direkt BigQuery, Snowflake oder Postgres ab und sieht die Rohdaten nie. Für DSGVO-sensible Unternehmen ist das Gold wert. Die statistische Engine (Bayes, Frequentist, CUPED, Sequential Testing, Multi-Arm Bandits) gehört zu den besten am Markt, und das Open-Source-Modell unter MIT-Lizenz erlaubt vollständiges Self-Hosting auf eigener EU-Infrastruktur. Schwächen: Es bleibt ein Developer-Tool mit Code-First-Workflow, kein No-Code-Editor wie bei VWO. Wer Engineering-Ressourcen hat und Statistik ernst nimmt, bekommt hier deutlich mehr als bei Cloud-Konkurrenten, zum Bruchteil der Kosten.

Für wen ist GrowthBook?

Entwicklerteams in datenreifen Unternehmen: Wer schon ein Data Warehouse betreibt (BigQuery, Snowflake, Redshift, Databricks, Postgres) und Experimente als Code-First-Workflow versteht, findet hier die ideale Plattform. Tracking-Events landen in deinem Warehouse, GrowthBook greift nur lesend zu und rechnet die Statistik.

Produktteams mit Data-Engineering-Background: Die statistische Tiefe (CUPED-Varianzreduktion, Sequential Testing, Sample Ratio Mismatch-Detection, Multi-Arm Bandits) erfordert Verständnis. Wer das hat, bekommt deutlich konfidenztere Ergebnisse bei kleineren Stichproben als mit Standard-t-Tests.

Unternehmen mit DSGVO-Anforderungen: Self-Hosting auf eigenem Server (Hetzner Cloud Deutschland, AWS Frankfurt, Azure DACH) bedeutet: Keine Daten verlassen die EU, keine US-Drittländer in der Verarbeitungskette. Für Banken, Versicherungen, Gesundheitsbranche und öffentliche Hand ist das oft der einzige gangbare Weg.

Startups, die später skalieren wollen: Die MIT-Lizenz erlaubt es, klein anzufangen (Open-Source, Self-Hosted) und später auf den Cloud-Pro-Plan oder Enterprise zu wechseln, ohne Lock-in. Tracking-Logik und SDK-Integration bleiben gleich, der Aufwand des Anbieter-Wechsels entfällt.

Teams mit MCP-Workflow: Seit 2025/26 bietet GrowthBook einen MCP-Server an, der KI-gestützte Entwicklungs-Workflows in IDEs wie Claude Code, Cursor und VS Code integriert. Wer KI-Pair-Programming als Standard etabliert hat, kann Feature Flags und Experimente direkt aus der Entwicklersprache heraus orchestrieren.

Weniger geeignet für: Marketing-Teams ohne Engineering-Support (No-Code-Tools wie VWO oder AB Tasty sind dort sinnvoller), Teams ohne Data Warehouse, Anwender, die Heatmaps oder Session Recordings brauchen, und alle, die deutschen First-Level-Support erwarten.

Preise im Detail

Plan	Preis	Was du bekommst
Open Source (Self-Hosted)	0 USD	Unbegrenzte Nutzer und Experimente, MIT-Lizenz, vollständige Datenkontrolle, Community-Support
Cloud Starter (Free)	0 USD	Bis 3 Nutzer, bis 1 Mio. Events/Monat, Feature Flags, Experimente, Warehouse-native Auswertung
Cloud Pro	40 USD/Sitz/Monat	Bis 50 Nutzer, Advanced Statistics (CUPED, Sequential, Bandits), Visual A/B Editor, Sticky Bucketing, Safe Rollouts, Product Analytics (Beta), Premium Support
Cloud Enterprise	Auf Anfrage	Workflow/Access Control, SSO/SAML, Data Pipelines, Approval Flows, Audit Logs, Holdouts, Team Training, dedizierter Support
Enterprise Self-Hosted	Auf Anfrage	Wie Cloud Enterprise, aber komplett in eigener Infrastruktur, der Königsweg für DSGVO-strenge Branchen

Einordnung: Wer Engineering-Ressourcen hat, fährt mit der Open-Source-Self-Hosted-Edition am besten, kostenlos, vollständige Kontrolle, alle Kernfunktionen. Cloud Starter ist eine niedrigschwellige Möglichkeit, ohne eigene Infrastruktur zu starten, aber für ernsthafte Nutzung wird man schnell auf Pro upgraden. Cloud Pro mit 40 USD/Sitz/Monat ist nicht günstig und konkurriert preislich mit Optimizely-Einstiegsplänen. Bei mehr als zehn Nutzern lohnt sich der Vergleich mit Self-Hosted plus Enterprise-Support. Der Pro-Preis hat sich zuletzt deutlich erhöht, wer noch alte Quellen vergleicht (20 USD/Sitz), wird überrascht. Enterprise-Plans sind primär für Unternehmen relevant, die SSO, Approval Flows und Audit-Logs brauchen.

Stärken im Detail

Warehouse-Native Architektur als USP. Konkurrenten wie Optimizely und VWO sammeln Event-Daten auf eigenen Servern und stellen Reports bereit. GrowthBook macht es umgekehrt: Du schreibst Tracking-Events in dein eigenes Warehouse, und GrowthBook fragt sie dort ab. Das bedeutet vollständige Datenkontrolle, kein zusätzlicher Datentransfer, keine doppelte Datenhaltung, keine US-Pipeline. Für DSGVO ist das ein fundamentaler Unterschied: Bei einem Datenschutz-Audit kannst du sagen “die A/B-Test-Daten verlassen unsere Snowflake-Instanz nie”.

Open Source mit MIT-Lizenz. Der Quellcode ist auf GitHub einsehbar, du kannst die statistischen Methoden auditieren, eigene Modifikationen vornehmen, und im Notfall auch ohne Anbieter weiterarbeiten. Das ist gerade für regulierte Branchen wichtig: Manche Aufsichtsbehörden verlangen den Nachweis, dass statistische Berechnungen reproduzierbar und überprüfbar sind. Open Source erfüllt diese Anforderung sauber.

State-of-the-Art Statistik-Engine. GrowthBook unterstützt sowohl Bayesianische als auch frequentistische Tests, CUPED zur Varianzreduktion (oft 30–50 % engere Konfidenzintervalle bei gleicher Stichprobe), Sequential Testing für sicheres Frühstoppen, Sample Ratio Mismatch (SRM) zur Erkennung von Tracking-Fehlern und seit Pro auch Multi-Arm Bandits für adaptive Trafficverteilung. Diese Methoden sind in vielen kommerziellen Plattformen entweder gar nicht oder nur in den teuersten Enterprise-Tiers verfügbar.

SDK-Vielfalt für die ganze Stack. Über 24 SDKs decken JavaScript, Python, Go, PHP, Java, Swift, Kotlin, Ruby, .NET, React, iOS, Android und weitere ab. Die Zuweisung der Varianten erfolgt deterministisch über Hashing, derselbe Nutzer sieht in jeder Session konsistent dieselbe Variante, ohne Cookies oder serverseitige State-Persistenz.

Skaliert ernsthaft. GrowthBook gibt für die Cloud-Variante über 100 Milliarden Feature-Flag-Lookups pro Tag an. Kunden wie Dropbox, Khan Academy und Breeze Airways nutzen die Plattform produktiv. Wer befürchtet, eine Open-Source-Lösung sei nur für Hobby-Projekte tauglich, kann diese Sorge ablegen.

MCP-Server für KI-Entwicklung. Mit der MCP-Integration kannst du in Claude Code, Cursor oder anderen MCP-fähigen IDEs direkt Feature Flags lesen, Experimente starten oder Auswertungen abfragen, ohne den Editor zu verlassen. Das ist eine der wenigen produktiv nutzbaren MCP-Integrationen im Experimentation-Markt und ein klarer Hebel für Teams, die KI-Pair-Programming als Standard etabliert haben.

Statistische Transparenz. Jede Auswertung zeigt nicht nur das Ergebnis, sondern auch die zugrundeliegende Berechnung, Effektgröße, Konfidenzintervall, p-Wert (bei Frequentist) bzw. Posterior-Verteilung (bei Bayes). Für Teams, die Stakeholdern Ergebnisse erklären müssen, ist das deutlich hilfreicher als die “Magic Number” mancher Konkurrenten.

Schwächen ehrlich betrachtet

Setup erfordert Engineering-Zeit. Im Gegensatz zu VWO oder Optimizely, wo Marketing-Verantwortliche selbst Visual-Editor-Tests starten können, braucht GrowthBook zwingend ein Engineering-Team für die Initialeinrichtung: Datenquelle verbinden, Tracking implementieren, SDKs einbinden. Wer das nicht hat, sollte zu einer anderen Lösung greifen, oder bewusst in den Aufbau dieser Kompetenz investieren.

Kein No-Code-Visual-Editor in Free/OSS. Der Visual A/B Editor ist nur im Pro- und Enterprise-Tarif verfügbar. Wer im OSS-Modell arbeitet, muss jede Variante als Code-Änderung implementieren. Für Backend-Tests oder Feature Flags ist das normal, für UI-Tests wird es schnell unhandlich.

Heatmaps und Session Recordings fehlen. GrowthBook macht nur eines, und das gut: statistische Auswertung von Experimenten. Wer verstehen will, wie Nutzer mit einer Variante interagieren (Klick-Maps, Scroll-Tiefe, Form-Abbrüche), braucht ein separates Tool wie Hotjar, Microsoft Clarity oder FullStory. Cloud-Wettbewerber haben das oft eingebaut.

Pro-Preis ist gestiegen. Wer noch alte Quellen liest, denkt vielleicht “GrowthBook kostet 20 USD/Sitz”. Aktuell sind es 40 USD/Sitz/Monat im Pro-Plan, das ist eine spürbare Erhöhung. Bei einem 20-köpfigen Team bedeutet das 800 USD/Monat, oder 9.600 USD/Jahr. Ab dieser Größenordnung lohnt sich Self-Hosting plus optionaler Enterprise-Support meist deutlich.

Kein deutsches Interface. Die Oberfläche ist englisch, die Dokumentation englisch, der Support englisch. Für Teams mit gemischter Sprach-Kompetenz oder Marketing-Stakeholdern ohne Englisch-Routine kann das eine Hürde sein. Für reine Engineering-Teams typischerweise irrelevant, Englisch ist dort ohnehin Arbeitssprache.

Multi-Arm Bandits noch jung. Die adaptive Trafficverteilung (Bandits) ist eine relativ neue Funktion und nur im Pro-Tarif verfügbar. Wer komplexe Bandit-Strategien braucht (Thompson Sampling, kontextuelle Bandits), sollte vor produktivem Einsatz die genaue Implementation prüfen, kommerzielle Spezialanbieter wie SiteGainer oder Coveo gehen tiefer.

Daten-Pipeline-Verzögerung. Da GrowthBook das Warehouse abfragt, hängt die Ergebnis-Latenz von deiner ETL-Pipeline ab. Wenn dein Warehouse nur alle 6 Stunden aktualisiert wird, siehst du Ergebnisse auch nur in 6-Stunden-Schritten. Echtzeit-Statistik wie bei Server-side-Cloud-Anbietern ist nicht das Modell.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine No-Code-Lösung mit Visual Editor für Marketing-Teams brauchst	VWO oder AB Tasty
Enterprise-Komplettpaket mit Personalisierung und CMS-Integration suchst	Optimizely
Nur Product Analytics ohne A/B-Tests willst	Mixpanel

Erwähnenswert ohne eigene Tool-Seite: PostHog (Open-Source-Konkurrent mit ähnlichem Mindset, aber stärker auf Product Analytics fokussiert), LaunchDarkly (Marktführer bei reinen Feature Flags, ohne starke Experimentation-Engine), Statsig (gut für statistische Auswertung, aber kein Self-Hosting in OSS-Lizenz), Unleash (Open-Source-Feature-Flag-Tool ohne integrierte Experimentation) und Eppo (modernes Warehouse-native-Konkurrenz-Setup, aber proprietär). GrowthBook ist die ehrlichste Open-Source-Antwort auf den Experimentation-Markt und für viele Teams die preis-leistungs-stärkste Wahl, sobald Engineering-Ressourcen vorhanden sind.

So steigst du ein

Schritt 1: Entscheide zwischen Cloud und Self-Hosted. Für ein erstes Pilotprojekt ist Cloud Starter (kostenlos, bis 1 Mio. Events) der schnellste Weg. Für DSGVO-strenge Use Cases starte direkt mit Self-Hosting: docker compose up mit der offiziellen Compose-Datei aus dem GitHub-Repo. Für eine produktive Self-Hosted-Instanz empfiehlt sich ein Server in der EU, z. B. Hetzner Cloud (Deutschland), AWS Frankfurt oder Azure DACH.

Schritt 2: Datenquelle verbinden. GrowthBook fragt direkt das eigene Data Warehouse ab, BigQuery, Snowflake, PostgreSQL, Redshift, Databricks, ClickHouse, MotherDuck, MSSQL u.a. Definiere, welche Tabelle die Experiment-Exposure-Events enthält (wer hat welche Variante gesehen?) und welche Tabellen die Ziel-Metriken liefern (Käufe, Signups, Engagement). Plane für diesen Schritt einen halben bis einen Tag Engineering-Zeit ein.

Schritt 3: SDK in die Codebasis einbinden (JavaScript, Python, Go, PHP, Java, Swift, Kotlin, Ruby, .NET u.a.) und Feature Flags oder A/B-Tests implementieren. GrowthBook übernimmt die Zufallszuweisung (deterministisch, Hash-basiert) und gibt die aktive Variante zurück. Tracking-Events werden in dein eigenes Datensystem geschrieben, nicht an GrowthBook-Server übermittelt. Starte mit einem einfachen Backend-Feature-Flag bevor du in Visual-A/B-Tests einsteigst.

Schritt 4 (für KI-affine Teams): Aktiviere den MCP-Server in deiner IDE (Claude Code, Cursor, VS Code). Du kannst dann direkt aus dem Editor heraus Feature Flags lesen, Experimente starten oder Auswertungen abrufen, ohne den Browser zu öffnen. Für Teams, die KI-Pair-Programming als Standard etabliert haben, ist das ein spürbarer Workflow-Hebel.

Ein konkretes Beispiel

Ein deutsches SaaS-Unternehmen mit 50.000 monatlich aktiven Nutzern und einem Snowflake Data Warehouse testet drei Varianten eines Onboarding-Flows. Das Backend-Team installiert GrowthBook self-hosted auf einer Hetzner-Maschine in Falkenstein, bindet das Python-SDK ein und konfiguriert die Snowflake-Verbindung in der Admin-UI. Für jeden neuen Nutzer gibt GrowthBook deterministisch eine der drei Varianten zurück, das Exposure-Event wird per Backend-Code in Snowflake geschrieben. Nach drei Wochen berechnet GrowthBook die Activation Rate und 7-Tage-Retention für alle drei Gruppen, mit CUPED-Varianzreduktion sind die Konfidenzintervalle rund 30 % enger als bei einem simplen t-Test. Variante B zeigt eine statistisch signifikante Steigerung der Activation Rate von 34 % auf 41 %. Datenschutzbeauftragter und IT-Security haben den Einsatz freigegeben, da alle Nutzerdaten ausschließlich im eigenen Snowflake-Account verbleiben, kein US-Drittland, keine externe Datenverarbeitung. Kosten: 0 EUR Lizenz, ca. 60 EUR/Monat Hetzner-Server, plus rund 5 Tage Initial-Engineering. Bei einem Pricing-Vergleich mit Optimizely Personalization (ca. 50.000 USD/Jahr) ein deutlicher Hebel.

DSGVO & Datenschutz

• Datenhosting (Cloud): GrowthBook Cloud läuft auf AWS. GrowthBook ist nach SOC 2 Type II und ISO 27001 zertifiziert und gibt DSGVO-Konformität an. Wer maximale Datenhoheit und garantiert EU-Verarbeitung braucht, sollte dennoch Self-Hosted in eigener EU-Infrastruktur betreiben.
• Datenhosting (Self-Hosted): Vollständig vom Betreiber kontrolliert. Empfohlen: Hetzner (Deutschland), AWS Frankfurt (eu-central-1), Azure West Europe oder ein anderer EU-Cloud-Anbieter.
• Datenfluss: Im Warehouse-Native-Modus sieht GrowthBook die Rohdaten nie, es fragt nur aggregierte Statistiken aus dem Warehouse ab. Das ist der zentrale DSGVO-Vorteil gegenüber klassischen A/B-Test-Cloud-Anbietern.
• AVV: Für Cloud-Pläne verfügbar, für Self-Hosting nicht erforderlich (keine Auftragsverarbeitung durch GrowthBook). Bei Self-Hosting muss ein eigener AVV mit dem Hosting-Provider (z. B. Hetzner, AWS) geschlossen werden.
• Open-Source-Auditierbarkeit: Der Quellcode ist auf GitHub einsehbar, für regulierte Branchen ein zusätzlicher Vertrauensanker. Statistische Berechnungen sind reproduzierbar.
• Empfehlung für deutsche Unternehmen: Self-Hosted Open Source auf eigener EU-Infrastruktur ist der DSGVO-sauberste Pfad. Für Enterprise-Funktionen (SSO, Audit-Logs) kann zusätzlich der Enterprise-Self-Hosted-Tarif lizenziert werden, die Infrastruktur bleibt aber in deiner Hand.

Gut kombiniert mit

• Mixpanel, Wenn du tiefe Produktanalytik (Funnels, Cohorts, Retention-Curves) brauchst, ergänzt Mixpanel GrowthBooks fokussierte A/B-Test-Auswertung. Die beiden Tools überschneiden sich nur am Rand und können parallel laufen, ohne sich zu kannibalisieren.
• Snowflake oder BigQuery, Das Data Warehouse ist nicht nur Datenquelle, sondern der zentrale Hub. GrowthBook lebt davon, dass das Warehouse aktuell und sauber ist; ELT-Tools wie dbt, Fivetran oder Airbyte helfen, die Datenpipeline zuverlässig zu halten.
• Claude oder Cursor, Über den MCP-Server kannst du Experimente und Feature Flags direkt im Editor verwalten. Für KI-Pair-Programming ist das eine der ergonomischsten Integrationen am Markt.

Unser Testurteil

GrowthBook verdient 4 von 5 Sternen. Die Open-Source-Architektur, das Warehouse-Native-Konzept und die exzellente statistische Engine machen es zur stärksten ernstzunehmenden DSGVO-Option im A/B-Testing-Markt. Wer Engineering-Kapazität hat, bekommt deutlich mehr Wert als bei den kommerziellen Cloud-Konkurrenten, bei einem Bruchteil der Kosten. Den fünften Stern verliert das Tool durch die nicht ganz triviale Lernkurve, die fehlenden Heatmaps/Session Recordings, den deutlich gestiegenen Pro-Preis (40 USD/Sitz) und das fehlende deutschsprachige Interface. Für Engineering-getriebene Produktteams in Europa ist GrowthBook 2026 die wahrscheinlich beste verfügbare A/B-Testing-Plattform.

Was wir bemerkt haben

• Mai 2026, Der Pro-Plan kostet aktuell 40 USD/Sitz/Monat (vorher 20 USD). Wer noch ältere Quellen vergleicht oder mit veralteten Budget-Annahmen kalkuliert, wird überrascht. Bei größeren Teams (10+ Sitze) lohnt der Wechsel auf Self-Hosted mit Enterprise-Support immer mehr.
• 2025/26, GrowthBook hat einen MCP-Server (Model Context Protocol) veröffentlicht, der direkt in Claude Code, Cursor und andere MCP-fähige Editoren integriert. Damit gehört GrowthBook zu den ersten Experimentation-Plattformen mit produktiv nutzbarer MCP-Integration, ein klarer Vorteil für KI-getriebene Engineering-Teams.
• 2025, Version 4.3 veröffentlicht mit Performance-Verbesserungen (“faster experiments, deeper insights”). Multi-Arm Bandits, Sticky Bucketing und Safe Rollouts wurden im Pro-Tarif vereinheitlicht.
• Mai 2026, Die Cloud-Starter-Stufe ist auf 3 Nutzer und 1 Mio. Events begrenzt (vorher anders kommuniziert). Wer mit kleinem Team plant, sollte den aktuellen Free-Tarif vor Projektstart genau prüfen.