常用的数据挖掘算法包括：分类算法（如决策树、支持向量机、K近邻算法）、聚类算法（如K均值聚类、层次聚类）、关联规则挖掘算法（如Apriori算法）、回归分析算法（如线性回归、逻辑回归）、异常检测算法（如LOF算法、孤立森林算法）、文本挖掘算法（如词袋模型、主题模型）、时间序列分析算法（如ARIMA模型、指数平滑模型）等。
对于分类算法，管理者可以根据具体业务需求和数据特点选择合适的算法，比如如果需要考虑特征之间的关联性，可以选择使用决策树算法；如果数据具有高维度和复杂边界，可以考虑使用支持向量机算法。对于聚类算法，可以根据业务需求选择合适的聚类方法，比如如果需要划分成具有相似直径的聚类，可以选择K均值聚类算法。
在实际案例中，比如在电商领域，可以利用关联规则挖掘算法来挖掘用户购物行为中的关联规则，从而为用户推荐相关商品；在金融领域，可以利用异常检测算法来检测金融交易中的异常行为，从而防范金融欺诈等问题。
因此，对于管理者来说，了解常用的数据挖掘算法并结合具体业务场景进行选择和应用是非常重要的。