在大数据分析中，数据挖掘技术可以帮助分析师发现潜在的商业机会、预测市场趋势和消费者行为等。综上所述，大数据分析应用数据挖掘和智能分析的关键技术包括数据收集和清洗技术、数据挖掘技术、机器学习技术、数据可视化技术、自然语言处理技术和数据安全和隐私保护技术等。
术包括以下几个方面：
1. 数据收集和数据清洗技术：大数据分析需要从不同的来源收集大量的数据，包括结构化数据和非结构化数据。因此，必须掌握数据收集的技术和工具，同时还需要对数据进行清洗和预处理，以确保数据的质量和准确性。
2. 数据挖掘技术：数据挖掘是指从大量数据中发现隐藏的模式、关联和规律的过程。在大数据分析中，数据挖掘技术可以帮助分析师发现潜在的商业机会、预测市场趋势和消费者行为等。常用的数据挖掘技术包括聚类分析、分类分析、关联分析、时序分析等。
3. 机器学习技术：机器学习是一种用于解决大数据量问题的人工智能方法。通过机器学习技术，可以让计算机从大量的数据中学习，并通过建立模型进行预测和决策。常用的机器学习算法包括决策树、支持向量机、神经网络等。
4. 数据可视化技术：数据可视化是将大数据以图形或其他形式进行展示和呈现的过程。通过数据可视化技术，可以将复杂的数据变得直观和易于理解，从而帮助分析师更好地理解和解释数据。常用的数据可视化工具包括Tableau、Power BI等。
5. 自然语言处理技术：自然语言处理是一种用于处理和分析人类语言的技术。在大数据分析中，自然语言处理技术可以帮助分析师处理和分析海量的文本数据，并从中提取有用的信息和知识。常用的自然语言处理技术包括文本分类、文本聚类、情感分析等。
6. 数据安全和隐私保护技术：在大数据分析中，数据的安全和隐私保护是非常重要的。分析师需要了解数据加密、数据脱敏、访问控制等技术，以保护数据的安全性和隐私性。
综上所述，大数据分析应用数据挖掘和智能分析的关键技术包括数据收集和清洗技术、数据挖掘技术、机器学习技术、数据可视化技术、自然语言处理技术和数据安全和隐私保护技术等。这些技术的综合应用可以帮助分析师提取有价值的信息和洞察，并支持数据驱动的决策。