Heutzutage benötigt fast jedes Unternehmen eine Datenbank, um große und komplexe Datenmengen zu managen. Eine derzeit moderne und viel genutzte Datenbank ist dieNoSQL Datenbank MongoDB. Um den damit verbundenen Verwaltungsaufwand zu meiden, wenden sich die Unternehmen an Serviceanbieter. Diese stehen nun der Aufgabe gegenüber, eine Cloud Datenbank zu konfigurieren, die den Qualitätsansprüchen der Kunden genügt. Dies ist nicht einfach, da eine Vielzahl von Parametern die Datenbankperformanz beeinflusst. Da das Testen aller möglichen Konfigurationen praktisch unmöglich ist, bieten statistische Modelle eine vielversprechende Alternative um Testergebnisse zu prognostizieren. In dieser Arbeit wurde ein Modell basierend auf bayesscher Interferenz aufgestellt, welches eine Zuverlässigkeitsanalyse von Mongo DB in einer Cloudumgebung ermöglicht. Dafür wurden zunächst eine Menge an Konfigurationsparametern ausgewählt, anhand denen die Analyse durchgeführt werden soll. Um Daten zu gewinnen wurde MongoDB in einer Cloud Umgebung aufgesetzt und Tests mit den gewählten Konfigurationsparametern durchgeführt, wobei die Performanz gemessen wurde. Das Modell wurde anhand dieser Daten trainiert und durch Stichproben wurde die Genauigkeit des Modells ausgewertet.