GrowthBook: Análise Completa 2026 (Preço, Recursos, Limites)

O GrowthBook é a opção mais séria da categoria para quem quer auditar a própria estatística, e o preço disso não está na licença: está em precisar de um data warehouse e de alguém que escreva SQL. É uma plataforma open source de feature flags e experimentação com arquitetura warehouse-native, o que significa que ela lê os dados onde eles já estão em vez de copiá-los para um servidor do fornecedor. Esta análise cobre o que ela faz bem, o que cobra, onde estão as limitações reais e para que tipo de operação isso fecha a conta. Para o panorama completo da categoria, veja a comparação de ferramentas de teste A/B open-source.

Aviso de transparência antes de qualquer linha: a Donnu é uma ferramenta de teste A/B e, portanto, concorre com o GrowthBook em parte do escopo. Este texto foi escrito para ser útil mesmo para quem vai escolher o GrowthBook no fim, e a seção sobre onde ele é claramente a escolha certa está aqui exatamente por isso.

O que o GrowthBook é, em uma frase por peça

Peça	O que faz	Para quem costuma importar
Feature flags	Ativação e rollout controlado de funcionalidade por SDK	Engenharia e produto
Experimentação	Teste A/B e A/B/n ligado às mesmas flags	Produto, growth e engenharia
Camada warehouse-native	Consulta métricas direto no seu data warehouse	Time de dados, compliance e financeiro
Motor estatístico	Bayesiano e frequentista, com sequencial e CUPED por faixa de plano	Quem lê o resultado e decide o rollout
Editor visual	Montagem de variação sem deploy (planos pagos)	Marketing, quando existe

A escolha entre o GrowthBook e uma ferramenta comercial fechada raramente é sobre a qualidade do teste A/B em si. É sobre onde os seus dados moram e quem consegue mexer neles. Quem já tem warehouse, modelagem e um time de dados encontra aqui uma economia real e um nível de auditabilidade que ferramenta fechada não oferece. Quem não tem está comprando um projeto de infraestrutura junto com a ferramenta, e esse projeto costuma custar mais do que a licença que ele economiza.

Preço: aqui, ao contrário da categoria, existe tabela pública

Este é um ponto em que o GrowthBook se separa da maior parte dos concorrentes: os valores estão publicados. Segundo a página oficial de preços, os caminhos são:

Caminho	Preço	O que entra
Open source, self-hosted	Gratuito	Usuários, flags, experimentos e tráfego ilimitados na sua infraestrutura, 1 projeto, suporte pela comunidade, sem os recursos avançados listados no Pro
Nuvem Starter	Gratuito	Até 3 usuários, 1 projeto, flags e experimentos ilimitados
Nuvem Pro	40 dólares por assento por mês	Até 50 usuários e 3 projetos, editor visual, bandits, rollouts seguros, permissionamento avançado, calculadora de poder, teste sequencial, CUPED, suporte premium
Enterprise (nuvem ou self-hosted)	Sob consulta	SSO e SCIM, trilha de auditoria, fluxos de aprovação, ambientes customizados, SLA e suporte dedicado

Preço por assento tem uma consequência de gestão que vale antecipar: ele penaliza o modelo “todo mundo tem acesso de leitura”. Num programa de experimentação maduro, muita gente precisa ver resultados sem precisar configurar nada, e num modelo por assento cada uma dessas pessoas custa. Vale desenhar a política de acesso antes de contratar, não depois.

E a ressalva mais importante desta seção: gratuito não quer dizer sem custo. A versão open source é honestamente gratuita, mas rodar significa manter servidor, manter atualização e pagar as consultas ao warehouse, que em bases grandes não são baratas. Some o tempo de quem modela as métricas em SQL e a conta real aparece. Isso não é crítica ao produto, é a natureza da escolha: você troca mensalidade por controle e por trabalho interno.

Warehouse-native: o que muda quando a métrica é uma consulta sua

Numa ferramenta tradicional, o script coleta os eventos e envia para a base do fornecedor, que calcula e devolve o relatório. No modelo warehouse-native, o caminho é outro: os eventos já estão no seu data warehouse, e a ferramenta gera consultas SQL contra ele para produzir os números.

Três consequências práticas, todas verificáveis:

• Sem duplicação de dado. Você não paga para armazenar duas vezes a mesma coisa nem precisa reconciliar duas fontes que discordam.
• Reaproveitamento de definição. Se “usuário ativo” já está definido no seu modelo, o experimento usa essa definição, não uma paralela criada dentro da ferramenta.
• Auditabilidade real. A plataforma expõe o SQL por trás de cada número, então o time de dados consegue reproduzir, auditar e depurar um resultado estranho sem pedir suporte a ninguém.

O terceiro ponto é o que mais separa esta ferramenta das concorrentes fechadas. Em quase toda plataforma comercial, quando o número parece errado, o caminho é abrir um chamado. Aqui, o caminho é ler a consulta.

E aí aparece a contrapartida honesta: quem escreve a consulta decide o resultado. Isso não é um defeito, é uma transferência de responsabilidade, e ela é grande o suficiente para merecer o exemplo trabalhado inteiro desta análise.

O exemplo trabalhado: a mesma coleta, dois denominadores, dois testes diferentes

Uma loja testa uma mudança num bloco da página de produto. Detalhe importante: só cerca de 40% dos visitantes rolam a página o suficiente para ver aquele bloco. Os outros 60% nunca são expostos à mudança, mas continuam entrando na página e comprando normalmente, a uma taxa de 1,5%.

Entre os expostos, a mudança funciona: a taxa sobe de 7,5% para 8,4%, um ganho relativo de 12%. Agora, as duas formas de escrever a métrica em SQL:

Definição 1, “todos os visitantes da página”: a taxa geral do controle é 0,4 x 7,5% mais 0,6 x 1,5%, ou seja, 3,90%. A da variação é 0,4 x 8,4% mais 0,6 x 1,5%, ou seja, 4,26%. O ganho relativo cai para 9,23%, porque 60% da amostra não podia se mover.

Definição 2, “somente quem foi exposto ao bloco”: 7,5% contra 8,4%, ganho relativo de 12%, o efeito real e sem diluição.

O tamanho de amostra que cada definição exige, com 95% de confiança e 80% de poder:

Definição da métrica em SQL	Taxa base	Efeito a detectar	Amostra por variação	Tráfego semanal disponível	Duração
Todos os visitantes da página	3,90%	+9,23% relativo	47.410	30.000	23 dias
Somente os expostos ao bloco	7,50%	+12,00% relativo	14.182	12.000	17 dias

Amostra por aproximação normal de duas proporções, 95% de confiança, 80% de poder, bilateral; duração para 2 variações.

Rode as duas linhas você mesmo:

Taxa de conversão atual%Efeito mínimo detectávelrelativo (%)absoluto (pp)Confiança909599%Poder8090%Visitantes por semana (total)Testebilateralunilateral

-Visitantes por variação

-Total (2 variações)

-Duração estimada

Cálculo por aproximação normal de duas proporções, 2 variações (50/50). Mexa nos campos e veja o impacto ao vivo.

A definição diluída exige 3,3 vezes mais gente por variação para provar o mesmo efeito real. E note o detalhe que costuma passar batido: como o segmento exposto também tem menos tráfego semanal, a diferença de calendário fica bem menor que a diferença de amostra, 23 dias contra 17. Não é uma economia de tempo espetacular, é uma economia de poder: com a mesma janela, a leitura sobre os expostos enxerga efeitos que a leitura diluída deixaria passar como empate.

Agora a leitura observada. Suponha que o teste rodou os 23 dias necessários pela definição mais exigente, acumulando cerca de 49.000 visitantes por variação na página, dos quais 19.600 por variação foram efetivamente expostos ao bloco. Os mesmos eventos, lidos pelas duas definições:

Leitura	Visitantes por variação	Conversões A	Conversões B	Escore z	Valor-p	Veredito
Todos os visitantes	49.000	1.911 (3,90%)	2.087 (4,26%)	2,84	0,0045	Significativo, B vence
Só os expostos	19.600	1.470 (7,50%)	1.646 (8,40%)	3,29	0,0010	Significativo, B vence

Confira as duas linhas na calculadora:

Controle (A)

VisitantesConversões

Variação (B)

VisitantesConversões

Confiança90%95%99%

Controle (A) · Taxa-

Variação (B) · Taxa-

Melhora relativa-

valor-p-

IC 95% da diferença-

Teste z bilateral de duas proporções. "Sem significância" quase sempre quer dizer que falta amostra, não que as versões são iguais.

As duas leituras concordam, e é assim que costuma acontecer quando o efeito é grande o suficiente e o teste rodou até o fim: o denominador diluído chega lá, só que gastando muito mais gente. O perigo mora no caso vizinho e mais comum, o do efeito menor: se a leitura diluída tivesse parado na amostra que basta para a leitura exposta (19.600 por variação), o poder estatístico dela seria de apenas 43,7%, ou seja, ela teria menos da metade da chance de detectar um efeito que existe de verdade. Nesse cenário, a mesma mudança seria arquivada como “não funcionou” por causa de uma escolha de SQL.

A conclusão prática não é “sempre meça só os expostos”. As duas leituras respondem a perguntas legítimas e diferentes: a exposta responde “essa mudança funciona para quem a vê”, e a diluída responde “essa mudança move o número da página inteira”. A regra é escolher qual pergunta você está fazendo antes de rodar, registrar essa escolha junto com a hipótese, e nunca trocar de denominador depois de ver o resultado. O guia de como escrever uma hipótese de teste A/B tem o formato que torna esse registro natural.

Análise do GrowthBook: pontos fortes reais

• Auditabilidade sem precedentes na categoria. Poder ler o SQL que gerou cada número transforma discussão de confiança em discussão técnica, que é resolvível.
• Rigor estatístico documentado, com escopo por plano. Motores bayesiano e frequentista aparecem em todas as faixas, e teste sequencial e CUPED entram a partir do Pro de nuvem, segundo a página oficial de preços conferida em 13 de agosto de 2026. É um conjunto que muita suíte cara não oferece, mas confirme em qual plano cada método está antes de assumir que o gratuito cobre tudo.
• Preço público. Numa categoria em que quase todo mundo esconde o valor atrás de uma call, publicar tabela é um diferencial concreto de tempo de avaliação.
• Sem duplicação de dado. Para operações com exigência de compliance sobre onde o dado do usuário mora, o modelo warehouse-native resolve por arquitetura o que outras ferramentas resolvem por contrato.
• Feature flag e experimento na mesma ferramenta. Evita a costura entre duas plataformas, que é onde a instrumentação costuma quebrar.

Limitações e pontos de atenção

• Exige data warehouse e SQL. É o filtro que decide a maior parte dos casos. Sem warehouse funcionando e sem alguém confortável com consulta, a ferramenta não sai do lugar.
• Custo real fora da licença. Infraestrutura, consultas ao warehouse e tempo de modelagem. Comparar só a licença com uma suíte comercial é comparar coisas diferentes.
• A responsabilidade da métrica é sua. Como o exemplo acima mostra, um denominador mal escolhido produz um teste válido que responde à pergunta errada. Ferramenta fechada esconde essa decisão; aqui ela é sua, com o bônus e o ônus disso.
• Não é uma suíte de comportamento. Não substitui mapa de calor, gravação de sessão nem pesquisa com usuário. Se você precisa da hipótese antes do teste, precisa de outra ferramenta ao lado.
• Preço por assento penaliza acesso amplo. Num programa maduro, muita gente só precisa ler o resultado, e no modelo por assento isso custa.

Como avaliar o GrowthBook num piloto, sem perder tempo

Checagem	Como fazer	O que ela revela
Custo de consulta	Rodar um experimento de teste e medir o custo das consultas no warehouse por uma semana	Qual é a mensalidade invisível do modelo warehouse-native
Definição de métrica	Escrever a mesma métrica com dois denominadores e comparar os resultados	Se o time entende o impacto da escolha antes de decidir com ela
Divisão real de tráfego	Rodar um teste A/A por alguns dias e conferir a proporção	Se a atribuição de variação está estável e sem desvio de amostra
Latência do relatório	Cronometrar quanto tempo leva do evento até aparecer no painel	Se o ritmo de decisão do time cabe no ritmo do pipeline de dados
Quem consegue operar	Pedir a um perfil não técnico do time para montar e ler um teste sozinho	Se a ferramenta serve ao time inteiro ou só ao time de dados

A última linha é a mais decisiva e a menos testada. Uma ferramenta que só o time de dados consegue operar transforma cada experimento de marketing num pedido interno, e fila interna é a forma mais cara de fricção organizacional, como detalha o guia de cultura de experimentação.

O teste A/A da terceira linha merece nota à parte: as duas variações são idênticas, então qualquer “vencedor” que apareça é ruído por definição. É a auditoria mais barata que existe, e vale rodar em qualquer ferramenta que você esteja avaliando, inclusive na nossa.

Para quem o GrowthBook faz sentido

Faz sentido para times que já têm data warehouse em uso e alguém confortável com SQL, para operações que precisam manter o dado em infraestrutura própria por compliance ou por custo, para times de engenharia que querem feature flag e experimentação na mesma ferramenta, e para quem quer auditar a estatística em vez de confiar num selo de vencedor.

Faz menos sentido para time de marketing sem apoio de dados, para quem precisa começar a testar esta semana sem abrir um projeto de infraestrutura, e para quem precisa de mapa de calor, gravação de sessão e pesquisa com usuário na mesma plataforma, cenário coberto na comparação com suítes comerciais.

Se o seu caso é o segundo, a Donnu é uma das opções mais leves da categoria, com preço previsível, sem call para descobrir o valor e sem exigir data warehouse nem SQL para começar. Ela não substitui o GrowthBook em arquitetura warehouse-native, auditoria do SQL, self-hosting nem feature flag por SDK, e dizer o contrário seria desonesto: se você precisa dessas peças, a comparação certa não é com a Donnu. Se você não precisa, comece um teste grátis e compare o que de fato importa para o seu caso.

---

Leia também: GrowthBook x PostHog: qual open-source escolher · Ferramentas de teste A/B open-source · O que é CUPED · Teste sequencial explicado

Referências

• GrowthBook. Pricing. Planos, valores por assento e escopo de cada plano, incluindo a versão open source self-hosted. growthbook.io/pricing.
• GrowthBook. Experimentation and A/B testing platform. Página oficial do produto, com a descrição da arquitetura warehouse-native e dos motores estatísticos. growthbook.io/products/experimentation.
• GrowthBook. Best warehouse-native A/B testing tools. Material da própria empresa sobre a categoria warehouse-native. Fonte interessada, usada aqui só para a descrição da arquitetura. growthbook.io/insights.
• Deng, A., Xu, Y., Kohavi, R. e Walker, T. Improving the Sensitivity of Online Controlled Experiments by Utilizing Pre-Experiment Data. WSDM, 2013. Artigo original do CUPED. exp-platform.com.
• Kohavi, R., Tang, D. e Xu, Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press, 2020. Capítulos sobre definição de métrica, diluição e poder estatístico. Material de apoio em experimentguide.com.